Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Length and Width Feature Extraction Method of Ship Target Based on IR Image Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

Super-Resolution Imaging Using Convolutional Neural Networks

verfasst von : Yingyi Sun, Wenhua Xu, Jie Zhang, Jian Xiong, Guan Gui

Erschienen in: Communications, Signal Processing, and Systems

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Convolutional neural networks (CNN) have been applied to many classic problems in computer vision. This paper utilized CNNs to reconstruct super-resolution images from low-resolution images. To improve the performance of our model, four optimizations were added in the training process. After comparing the models with these four optimizations, Adam and RMSProp were found to achieve the optimal performance in peak signal to noise ratio (PSNR) and structural similarity index (SSIM). Considering both reconstruction accuracy and training speed, simulation results suggest that RMSProp optimization in the most scenarios.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Detection of White Gaussian Noise and Its Degree in Image Processing Using Generative Adversarial Nets
Nächstes Kapitel Image Super-Resolution Based on Multi-scale Fusion Network
Literatur
1.
Dong C, Chen CL, He K, Tang X. Image Super-Resolution Using Deep Convolutional Networks. IEEE Trans Pattern Anal Mach Intell. 2016;38(2):295–307.CrossRef
2.
J. Allebach and P. W. B. T.-I. C. on I. P. Wong 1996. Proceedings, “Edge-directed interpolation,” Int. Conf. Image Process., vol. 3, no. 3, pp. 707–710, 1996.
3.
Li X, Orchard MT. New edge-directed interpolation. IEEE Trans Image Process. 2001;10(10):1521–7.CrossRef
4.
Zhang L, Wu X. An edge-guided image interpolation algorithm via directional filtering and data fusion. IEEE Trans Image Process. 2006;15(8):2226–38.CrossRef
5.
Ouyang W, X. B. T.-I. I. C. on Wang CV. Joint deep learning for pedestrian detection. In: IEEE international conference on computer vision; 2014. p. 2056–63.
6.
He K, Zhang X, Ren S, Sun J. Spatial pyramid pooling in deep convolutional networks for visual recognition. IEEE Trans Pattern Anal Mach Intell. 2015;37(9):1904–16.CrossRef
7.
Krizhevsky A, Sutskever I, GEBT-IC on Hinton NIPS. ImageNet classification with deep convolutional neural networks. In: International conference on neural information processing systems; 2012. p. 1097–105.
8.
Ouyang W, Zeng X, Wang X, Qiu S, Luo P, Tian Y, Li H, Yang S, Wang Z, Li H. DeepID-Net: deformable deep convolutional neural networks for object detection. IEEE Trans. Pattern Anal. Mach. Intell. 2014;99:2403–12.
9.
Sun Y, Wang X, Tang X. Deep learning face representation by joint identification-verification, vol. 27; 2014. p. 1988–96.
10.
Nair V, GEBT-IC on IC on Hinton ML. Rectified linear units improve restricted boltzmann machines. In: International conference on international conference on machine learning; 2010, p. 807–14.
Metadaten
Titel
Super-Resolution Imaging Using Convolutional Neural Networks
verfasst von
Yingyi Sun
Wenhua Xu
Jie Zhang
Jian Xiong
Guan Gui
Copyright-Jahr
2020
Verlag
Springer Singapore
Buch
Communications, Signal Processing, and Systems

Print ISBN: 978-981-13-6503-4

Electronic ISBN: 978-981-13-6504-1

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-981-13-6504-1_8